Материал конференции: "Труды Международной конференции по компьютерной графике и зрению "Графикон" (19-21 сентября 2022 г., Рязань)"
Авторы:Судаков О.В., Дмитриев Д.В.
Сравнение алгоритмов G-Means и сети Кохонена в решении задач кластеризации
Аннотация:
В данной работе рассмотрен вопрос о том, как улучшить самоорганизующуюся нейронную сеть, состоящую из связки алгоритма кластеризации и многослойного персептрона для задач верификации данных в условиях отсутствия обучающих пар. Самым популярным алгоритмом кластеризации для данной задачи является сеть Кохонена, однако на сегодняшний день это не единственный алгоритм способный быстро и точно выполнять поставленную задачу. В работе проводится сравнение сети Кохонена и алгоритма G-Means. Кратко разобран принцип работы этих двух алгоритмов. Проводится сравнение точности данных алгоритмов и скорости их обучения. Актуальность данной работы заключается в том, что подготовка обучающих пар для интеллектуальных систем и сам процесс обучения с учителем является ресурсоемкой задачей. Рассматриваемые системы самообучающихся алгоритмов позволят значительно увеличить скорость обучения, а также избавит от необходимости ручной классификации данных и создания обучающих пар для персептрона что в свою очередь позволит создать самообучающуюся систему с возможностью обобщения и прогнозирования.
Ключевые слова:
Нейронные сети, обучение, самообучающееся алгоритмы, обучение без учителя, G-Means, сеть Кохонена, гибридные системы
Язык публикации: русский, страниц:10 (с. 1147-1156)